Диссертация (1174210), страница 15
Текст из файла (страница 15)
Данная программа позволяет с помощьюмодифицированногоалгоритмапороговойбинаризацииосуществлятьсегментацию цифровых микроскопических изображений мокроты, окрашенной пометоду Циля-Нильсена, осуществлять рекурсивный поиск и поворот объектов, атакже измерение необходимых для их последующего распознавания параметров.Таким образом, предложенный модернизированный алгоритм пороговойбинаризации не предполагает наличия значительных априорных знаний обизображении, что придает алгоритму большую универсальность по сравнению салгоритмами с фиксированным порогом. Данный алгоритм может быть84использован в исследованиях направленных на анализ цифровых изображений, атакже распознавание объектов на цифровых изображениях, а также для изученияпараметров различных объектов, регистрируемых на медицинских изображениях.При этом, сегментация цифровых изображений мокроты, окрашенной пометоду Циля-Нильсена, с помощью представленного модифицированногоалгоритма пороговой бинаризации позволяет получить лишь крупные объекты неотделимые без дополнительной обработки от более мелких.Рисунок 13 – Окно программы «Компьютерная система выделения объектов нацифровых изображениях микроскопических препаратов»Полученные результаты свидетельствуют о том, что применение данногоалгоритма также невозможно для сегментации цифровых микроскопическихизображений мокроты, окрашенной по методу Циля-Нильсена.853.2.2.
Алгоритм сегментации с использованием математической моделиискусственной нейронной сетиВ данном разделе рассмотрены этапы разработки алгоритма сегментациицифровых микроскопических изображений мокроты, окрашенной по методу ЦиляНильсена с применением математического аппарата искусственной нейроннойсети [109]. Работа алгоритма осуществляется исходя из цветовых значенийпикселей в цветовой схеме HSV. Задача сегментации изображения с применениемданного алгоритма сводится к подбору минимальных и максимальных границпараметров H, S и V, внутри которых пиксели относятся к классу объектовкислотоустойчивых микобактерий, а за пределами, которых – к другим объектамна изображении.
Большинство из этих границ в процессе исследованияустановлены экспериментально путем ручного подбора (таблица 1).Таблица 1 – Экспериментально установленные границы параметров H, S и VПараметрЗначениеНижняя граница HНе удалось установить экспериментальноВерхняя граница H360Нижняя граница SНе удалось установить экспериментальноВерхняя граница S70Нижняя граница V70Верхняя граница V100Как видно из данных таблицы 1 нижние границы H и S не удалось установитьэкспериментально. Для каждого цифрового изображения данные параметрыявляются индивидуальными и могут быть подобраны, но такой подход непозволяет отказаться от включения в процесс сегментации изображения человека.Для исключения роли человека в качестве математического аппаратаразрабатываемогоалгоритмасегментацииизображениябылапринята86математическая модель искусственной многослойной нейронной сети прямогораспространения.
В качестве входов нейронной сети рассматривался 191 параметр,который был получен на каждом изображении.Для получения входных данных для работы нейронной сети каждый пиксельна изображениях представлялся 7 параметрами: R, G, B и Y (диапазон значенийданных параметров от 0 до 255), H (диапазон – от 0 до 360), S и V (диапазон – от 0до 100).
Используя значения R, G, B, Y, H, S и V каждого пикселя на изображениях,на каждом изображении рассчитывались параметры, представленные в таблице 2.Расчет данных параметров осуществлялся путем 2 проходов по изображению.Таблица 2 – Рассчитываемые на каждом изображении параметрыПараметрыКоличествопараметровСредние значения R, G, B, Y, H, S и V7Стандартные отклонения значений R, G, B, Y, H, S и V7Дисперсия значений R, G, B, Y, H, S и V7Минимальные значения R, G, B, Y, H, S и V7Максимальные значения R, G, B, Y, H, S и V7Гистограмма значений R с интервалом 10 единиц25Гистограмма значений G с интервалом 10 единиц25Гистограмма значений B с интервалом 10 единиц25Гистограмма значений Y с интервалом 10 единиц25Гистограмма значений H с интервалом 10 единиц36Гистограмма значений S с интервалом 10 единиц10Гистограмма значений V с интервалом 10 единиц10Всего параметров изображения191В качестве выходов нейронной сети использовались вручную подобранныена каждом изображении нижние границы H и S, при использовании которых наизображении оставались только кислотоустойчивые микобактерии или объекты, по87визуальным характеристикам похожие на них.
Следовательно, производилосьпостроение двух нейронных сетей. Первая для подбора на основе 191 параметранижней границы H, вторая – нижней границы S.На первой итерации в качестве входных параметров использовались всевходные параметры. В качестве параметра, характеризующего качество работынейронной сети, использовались точность ответа нейронной сети, относительнаяошибка и средняя абсолютная ошибка ответа нейронной сети. После каждойитерации проводился анализ важности входных параметров, по результатамкоторого наименее важный параметр исключался из обучения на следующейитерации.Анализ важности входных параметров производился путем анализачувствительности.
Анализ чувствительности осуществлялся автоматически путемпоочередного удаления каждого входного параметра и определения качестваработы нейросети без него. Если нейронная сеть при удалении параметра давалалучшие результаты, то удаленному входному параметру присваивалась низкая (<1) важность (чем лучше нейронная сеть давала результат, тем меньшеприсваивалась важность). Если нейронная сеть при удалении параметра давалахуже результаты, то удаленному входному параметру присваивалась высокая (> 1)важность (чем хуже нейронная сеть давала результат, тем больше присваиваласьважность). Таким образом, каждая итерация обучения включала в себя обучениенейронной сети, проведение анализа чувствительности и удаление из наборавходных параметров, тех параметров, которые имели низкую (< 1) важность, акаждая последующая итерация производилась без удаленных на предыдущейитерации параметров.
Обучение и удаление входных параметров производилось домомента, когда все входные параметры имели высокую важность (> 1).Выбор топологии (структуры) нейронной сети осуществлялся следующимобразом. На каждом этапе обучения нейронной сети производилось построениемоделей с различной комбинацией числа нейронов скрытого слоя, функцийактивации нейронов скрытого и выходного слоя. Число нейронов входного слоявсегда равнялось числу входных параметров, а число выходных нейронов – 1. Из88всех построенных нейронных сетей выбиралась модель с наилучшим качествомработы нейронной сети.Для построения нейронной сети все анализируемые изображений былиразбиты на 3 выборки: обучающая, тестовая, контрольная.
Обучающая выборкаиспользовалась для обучения нейронной сети, тестовая выборка – для контроляпроцесса обучения и предотвращения возможного переобучения нейронной сети,контрольная (валидационная) – для расчета параметров, характеризующихкачество работы нейронной сети на изображениях, не участвовавших в обучении(валидация нейронной сети).Для подбора нижней границы H после 12 итераций обучения и удаления изперечня входных параметров всех параметров имеющих низкую важность, а такжеподбора наиболее оптимальной топологии была получена следующая нейроннаясеть: число нейронов входного слоя – 14, число нейронов скрытого слоя – 14, числонейронов выходного слоя – 1.
В качестве входных параметров данной нейроннойсети использованы такие параметры изображений, как среднее значение H,значения интервалов 210-220 и 230-240 гистограммы значений B, значениеинтервала 170-180 гистограммы значений G, значения интервалов 20-30, 190-200,200-210 и 210-220 гистограммы значений H, значения интервалов 0-10, 20-30 и 3040 гистограммы значений S, значения интервалов 180-190 и 210-220 гистограммызначений Y и минимальное значение S. В качестве функции активации нейроновскрытого слоя использована функция гиперболический тангенс:где f(x) – значение выходного сигнала нейрона, e – число Эйлера, x – значениепараметра полученного после сумматора нейрона.В качестве функции активации нейрона выходного слоя использованаэкспоненциальная функция:где f(x) – значение выходного сигнала нейрона, e – число Эйлера, x – значениепараметра полученного после сумматора нейрона.89Показатели качества работы нейронной сети подбора нижней границы Hпредставлены в таблице 3.
Как показывают результаты, представленные в таблице3, наименьшая точность (97,5%) и наибольшие как относительная ошибка (2,5%),так и средняя абсолютная ошибка (2,27 единиц) были получены на контрольнойвыборке. На рисунках 14-16 представлены гистограммы абсолютных отклоненийвручную подобранных нижних границ H от подобранных нижних границ Hнейронной сетью на обучающей, тестовой и контрольной выборках.Таблица 3 – Показатели качества работы нейронной сети для подбора нижнейграницы HВыборкаТочность, %ОтносительнаяСредняя абсолютнаяошибка, %ошибка, ед.Обучающая97,92,11,87Тестовая98,51,51,51Контрольная97,52,52,2760,050,050,0%40,030,020,08,810,00,019,116,2[-3, -2]4,4(-2, 0](0, 1](1, 2]Интервал отклонений(2, 4]1,5(4, 5]Рисунок 14 – Гистограмма абсолютных отклонений вручную подобранныхнижних границ H от подобранных нижних границ H нейронной сетью наобучающей выборке9030,024,825,020,014,0%15,014,314,013,49,210,07,05,00,00,31,61,00,3[-5, -4] (-4, 3] (-3, -2](-2, -1] (-1, 0] (0, 1] (1, 2] (2, 3] (3, 4] (4, 5] (5, 6]Интервал отклоненийРисунок 15 – Гистограмма абсолютных отклонений вручную подобранныхнижних границ H от подобранных нижних границ H нейронной сетью на тестовойвыборкеИз приведенных на рисунках 14-16 гистограмм следует, что большинство(более 90%) отклонений на обучающей выборке входит в интервал от -3 до 2, натестовой – от -3 до 4, на контрольной – от -4 до 5.
Данные отклонения являютсянезначительными в сравнении с возможным диапазоном значений параметра H (от0 до 360). Максимальный диапазон отклонений получен на контрольной выборке,который составляет лишь 2,5% от всего возможного диапазона значений параметраH.Приведенныерезультатыпоказываютдостаточноекачествоработынейронной сети для автоматизации подбора нижней границы H для последующей91сегментации цифровых микроскопических изображений мокроты, окрашенной пометоду Циля-Нильсена.40,036,835,030,930,025,0%20,015,013,28,810,010,35,00,0[-4, -2](-2, -1](-1, 1](1, 3]Интервал отклонений(3, 5]Рисунок 16 – Гистограмма абсолютных отклонений вручную подобранныхнижних границ H от подобранных нижних границ H нейронной сетью наконтрольной выборкеНа следующем этапе осуществлялось построение нейронной сети дляподбора нижней границы S.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
